個性化推薦系統(tǒng)中基于用戶的協(xié)同過濾算法與系統(tǒng)架構的研究與優(yōu)化.pdf

1、信息技術和移動設備的成熟與發(fā)展，使網(wǎng)上服務與交易等業(yè)務越來越普及，大量的信息被聚集起來引發(fā)了數(shù)據(jù)的爆炸式增長。如何解決信息過載是人工智能與大數(shù)據(jù)時代面臨的一個重要難題。而推薦系統(tǒng)是解決信息過載問題的一個非常有潛力的技術，它能夠在用戶沒有明確目標的時候幫助他們發(fā)現(xiàn)感興趣的新內容，是個性化服務研究領域的重要分支。在推薦系統(tǒng)的探究進程中，協(xié)同過濾算法被公認為最著名、應用最廣泛的推薦算法，其核心思想是利用歷史行為數(shù)據(jù)挖掘某種相似性來進行推薦，但

2、與此同時也存在著諸如冷啟動、數(shù)據(jù)稀疏、預測精確性不足等問題。
　　本論文針對現(xiàn)有推薦系統(tǒng)的問題進行了以下三個方面的研究:
　　1、對推薦系統(tǒng)架構進行優(yōu)化，設置了自適應反饋機制，通過增加反饋環(huán)節(jié)，利用獲取的用戶反饋、上下文、以及群組信息不斷調節(jié)融合參數(shù)，構成自適應閉環(huán)系統(tǒng)。使系統(tǒng)能夠個性化地為用戶選擇最適于用戶特征的推薦算法。
　　2、在分析了多種推薦方法的基礎上，重點研究推薦系統(tǒng)方法中的協(xié)同過濾算法，并針對基于用戶的協(xié)

3、同過濾算法進行了優(yōu)化，提出了一種新的基于欄目與懲罰度的協(xié)同過濾推薦算法。其主要思想是采用一種基于欄目行為偏好與懲罰項因子相融合的方法來測量用戶偏好相似性。該算法有效利用了屬性層次、行為層次和評分層次信息，通過在MovieLens數(shù)據(jù)集上進行交叉驗證仿真，實驗結果表明，與協(xié)同過濾算法相比該算法大大提升了各項評測指標。
　　3、通過對自然語言處理的研究，考慮將隱含狄利克雷分布(Latent DirichletAllocation，LD

4、A)與推薦系統(tǒng)結合。本論文提出了一種基于LDA特征提取的協(xié)同過濾推薦算法，通過主題模型生成相應主題以及在每個主題上的分布概率，以方便建立物品-特征向量。最后通過本論文提出的用戶相似度計算方法，即加入權重距離因子的改進用戶相似度計算方法，生成最近鄰居集完成推薦。本論文按照數(shù)據(jù)挖掘基本流程在豆瓣圖書數(shù)據(jù)集上完成實驗仿真，實現(xiàn)了利用文本描述信息進行推薦的目標，并且獲得了良好的推薦效果。
　　通過以上研究，為推薦系統(tǒng)的進一步廣泛應用提供了